Go中http超时问题的排查
背景
最新有同事反馈，服务间有调用超时的现象，在业务高峰期发生的概率和次数比较高。从日志中调用关系来看，有2个调用链经常发生超时问题。
问题1： a服务使用 http1.1 发送请求到 b 服务超时。
问题2: a服务使用一个轻量级http-sdk(内部http2.0) 发送请求到 c 服务超时。
golang给出的报错信息时：
post http://host/v1/xxxx: net/http: request canceled while waiting for connection (client.timeout exceeded while awaiting headers)
通知日志追踪id来排查，发现有的请求还没到服务方就已经超时。
有些已经到服务方了，但也超时。
这里先排查的是问题2，下面是过程。
排查
推测
调用方设置的http请求超时时间是1s。
请求已经到服务端了还超时的原因，可能是：
服务方响应慢。 通过日志排查确实有部分存在。
客户端调用花了990ms，到服务端只剩10ms，这个肯定会超时。
请求没到服务端超时的原因，可能是：
golang cpu调度不过来。通过cpu监控排除这个可能性
golang 网络库原因。重点排查
排查方法：
本地写个测试程序，1000并发调用测试环境的c服务:
n := 1000
var waitgroutp = sync.waitgroup{}
waitgroutp.add(n)
for i := 0; i < n; i++ {
go func(x int) {
httpsdk.request()
}
}
waitgroutp.wait()
报错：
too many open files // 这个错误是笔者本机ulimit太小的原因，可忽略 net/http: request canceled (client.timeout exceeded while awaiting headers)
并发数量调整到500继续测试，还是报同样的错误。
连接超时
本地如果能重现的问题，一般来说比较好查些。
开始跟golang的源码，下面是创建httpclient的代码，这个httpclient是全局复用的。
func createhttpclient(host string, tlsarg *tlsconfig) (*http.client, error) {
httpclient := &http.client{
timeout: time.second,
}
tlsconfig := &tls.config{insecureskipverify: true}
transport := &http.transport{
tlsclientconfig: tlsconfig,
maxidleconnsperhost: 20,
}
http2.configuretransport(transport)
return httpclient, nil
}
// 使用httpclient
httpclient.do(req)
跳到net/http/client.go 的do方法
func (c *client) do(req *request) (retres *response, reterr error) {
if resp, didtimeout, err = c.send(req, deadline); err != nil {
}
}
继续进 send 方法，实际发送请求是通过 roundtrip 函数。
func send(ireq *request, rt roundtripper, deadline time.time) (resp *response, didtimeout func() bool, err error) {
rt.roundtrip(req)
}
send 函数接收的 rt 参数是个 inteface，所以要从 http.transport 进到 roundtrip 函数。
其中log.println("getconn time", time.now().sub(start), x) 是笔者添加的日志，为了验证创建连接耗时。
var n int
// roundtrip implements a roundtripper over http.
func (t *transport) roundtrip(req *request) (*response, error) {
// 检查是否有注册http2，有的话直接使用http2的roundtrip
if t.useregisteredprotocol(req) {
altproto, _ := t.altproto.load().(map[string]roundtripper)
if altrt := altproto[scheme]; altrt != nil {
resp, err := altrt.roundtrip(req)
if err != errskipaltprotocol {
return resp, err
}
}
}
for {
//n++
// start := time.now()
pconn, err := t.getconn(treq, cm)
// log.println("getconn time", time.now().sub(start), x)
if err != nil {
t.setreqcanceler(req, nil)
req.closebody()
return nil, err
}
}
}
结论：加了日志跑下来，确实有大量的getconn time超时。
疑问
这里有2个疑问：
为什么http2没复用连接，反而会创建大量连接？
创建连接为什么会越来越慢？
继续跟 getconn 源码, getconn第一步会先获取空闲连接，因为这里用的是http2，可以不用管它。
追加耗时日志，确认是dialconn耗时的。
func (t *transport) getconn(treq *transportrequest, cm connectmethod) (*persistconn, error) {
if pc, idlesince := t.getidleconn(cm); pc != nil {
}
//n++
go func(x int) {
// start := time.now()
// defer func(x int) {
// log.println("getconn dialconn time", time.now().sub(start), x)
// }(n)
pc, err := t.dialconn(ctx, cm)
dialc <- dialres{pc, err}
}(n)
}
继续跟dialconn函数，里面有2个比较耗时的地方：
连接建立，三次握手。
tls握手的耗时，见下面http2章节的dialconn源码。
分别在dialconn函数中 t.dial 和 addtls 的位置追加日志。
可以看到，三次握手的连接还是比较稳定的，后面连接的在tls握手耗时上面，耗费将近1s。
2019/10/23 14:51:41 dialtime 39.511194ms https.handshake 1.059698795s 2019/10/23 14:51:41 dialtime 23.270069ms https.handshake 1.064738698s 2019/10/23 14:51:41 dialtime 24.854861ms https.handshake 1.0405369s 2019/10/23 14:51:41 dialtime 31.345886ms https.handshake 1.076014428s 2019/10/23 14:51:41 dialtime 26.767644ms https.handshake 1.084155891s 2019/10/23 14:51:41 dialtime 22.176858ms https.handshake 1.064704515s 2019/10/23 14:51:41 dialtime 26.871087ms https.handshake 1.084666172s 2019/10/23 14:51:41 dialtime 33.718771ms https.handshake 1.084348815s 2019/10/23 14:51:41 dialtime 20.648895ms https.handshake 1.094335678s 2019/10/23 14:51:41 dialtime 24.388066ms https.handshake 1.084797011s 2019/10/23 14:51:41 dialtime 34.142535ms https.handshake 1.092597021s 2019/10/23 14:51:41 dialtime 24.737611ms https.handshake 1.187676462s 2019/10/23 14:51:41 dialtime 24.753335ms https.handshake 1.161623397s 2019/10/23 14:51:41 dialtime 26.290747ms https.handshake 1.173780655s 2019/10/23 14:51:41 dialtime 28.865961ms https.handshake 1.178235202s
结论：第二个疑问的答案就是tls握手耗时
http2
为什么http2没复用连接，反而会创建大量连接？
前面创建http.client 时，是通过http2.configuretransport(transport) 方法，其内部调用了configuretransport：
func configuretransport(t1 *http.transport) (*transport, error) {
// 声明一个连接池
// nodialclientconnpool 这里很关键，指明连接不需要dial出来的，而是由http1连接升级而来的
connpool := new(clientconnpool)
t2 := &transport{
connpool: nodialclientconnpool{connpool},
t1: t1,
}
connpool.t = t2
// 把http2的roundtripp的方法注册到，http1上transport的altproto变量上。
// 当请求使用http1的roundtrip方法时，检查altproto是否有注册的http2，有的话，则使用
// 前面代码的useregisteredprotocol就是检测方法
if err := registerhttpsprotocol(t1, nodialh2roundtripper{t2}); err != nil {
return nil, err
}
// http1.1 升级到http2的后的回调函数，会把连接通过 addconnifneeded 函数把连接添加到http2的连接池中
upgradefn := func(authority string, c *tls.conn) http.roundtripper {
addr := authorityaddr("https", authority)
if used, err := connpool.addconnifneeded(addr, t2, c); err != nil {
go c.close()
return erringroundtripper{err}
} else if !used {
go c.close()
}
return t2
}
if m := t1.tlsnextproto; len(m) == 0 {
t1.tlsnextproto = map[string]func(string, *tls.conn) http.roundtripper{
"h2": upgradefn,
}
} else {
m["h2"] = upgradefn
}
return t2, nil
}
tlsnextproto 在 http.transport-> dialconn 中使用。调用upgradefn函数，返回http2的roundtripper，赋值给alt。
alt会在http.transport 中 roundtripper 内部检查调用。
func (t *transport) dialconn(ctx context.context, cm connectmethod) (*persistconn, error) {
pconn := &persistconn{
t: t,
}
if cm.scheme() == "https" && t.dialtls != nil {
// 没有自定义dialtls方法，不会走到这一步
} else {
conn, err := t.dial(ctx, "tcp", cm.addr())
if err != nil {
return nil, wraperr(err)
}
pconn.conn = conn
if cm.scheme() == "https" {
// addtls 里进行 tls 握手，也是建立新连接最耗时的地方。
if err = pconn.addtls(firsttlshost, trace); err != nil {
return nil, wraperr(err)
}
}
}
if s := pconn.tlsstate; s != nil && s.negotiatedprotocolismutual && s.negotiatedprotocol != "" {
if next, ok := t.tlsnextproto[s.negotiatedprotocol]; ok {
// next 调用注册的升级函数
return &persistconn{t: t, cachekey: pconn.cachekey, alt: next(cm.targetaddr, pconn.conn.(*tls.conn))}, nil
}
}
return pconn, nil
}
结论：
当没有连接时，如果此时来一大波请求，会创建n多http1.1的连接，进行升级和握手，而tls握手随着连接增加而变的非常慢。
解决超时
上面的结论并不能完整解释，复用连接的问题。因为服务正常运行的时候，一直都有请求的，连接是不会断开的，所以除了第一次连接或网络原因断开，正常情况下都应该复用http2连接。
通过下面测试，可以复现有http2的连接时，还是会创建n多新连接：
sdk.request() // 先请求一次，建立好连接，测试是否一直复用连接。
time.sleep(time.second)
n := 1000
var waitgroutp = sync.waitgroup{}
waitgroutp.add(n)
for i := 0; i < n; i++ {
go func(x int) {
sdk.request()
}
}
waitgroutp.wait()
所以还是怀疑http1.1升级导致，这次直接改成使用 http2.transport
httpclient.transport = &http2.transport{
tlsclientconfig: tlsconfig,
}
改了后，测试发现没有报错了。
为了验证升级模式和直接http2模式的区别。 这里先回到升级模式中的 addconnifneeded 函数中，其会调用addconncall 的 run 函数：
func (c *addconncall) run(t *transport, key string, tc *tls.conn) {
cc, err := t.newclientconn(tc)
}
run参数中传入的是http2的transport。
整个解释是http1.1创建连接后，会把传输层连接，通过addconnifneeded->run->transport.newclientconn构成一个http2连接。 因为http2和http1.1本质都是应用层协议，传输层的连接都是一样的。
然后在newclientconn连接中加日志。
func (t *transport) newclientconn(c net.conn, singleuse bool) (*clientconn, error) {
// log.println("http2.newclientconn")
}
结论：
升级模式下，会打印很多http2.newclientconn，根据前面的排查这是讲的通的。而单纯http2模式下，也会创建新连接，虽然很少。
并发连接数
那http2模式下什么情况下会创建新连接呢？
这里看什么情况下http2会调用 newclientconn。回到clientconnpool中，dialonmiss在http2模式下为true，getstartdiallocked 里会调用dial->dialclientconn->newclientconn。
func (p *clientconnpool) getclientconn(req *http.request, addr string, dialonmiss bool) (*clientconn, error) {
p.mu.lock()
for _, cc := range p.conns[addr] {
if st := cc.idlestate(); st.cantakenewrequest {
if p.shouldtracegetconn(st) {
tracegetconn(req, addr)
}
p.mu.unlock()
return cc, nil
}
}
if !dialonmiss {
p.mu.unlock()
return nil, errnocachedconn
}
tracegetconn(req, addr)
call := p.getstartdiallocked(addr)
p.mu.unlock()
}
有连接的情况下，cantakenewrequest 为false，也会创建新连接。看看这个变量是这么得来的：
func (cc *clientconn) idlestatelocked() (st clientconnidlestate) {
if cc.singleuse && cc.nextstreamid > 1 {
return
}
var maxconcurrentokay bool
if cc.t.strictmaxconcurrentstreams {
maxconcurrentokay = true
} else {
maxconcurrentokay = int64(len(cc.streams)+1) < int64(cc.maxconcurrentstreams)
}
st.cantakenewrequest = cc.goaway == nil && !cc.closed && !cc.closing && maxconcurrentokay &&
int64(cc.nextstreamid)+2*int64(cc.pendingrequests) < math.maxint32
// if st.cantakenewrequest == false {
// log.println("clientconnpool", cc.maxconcurrentstreams, cc.goaway == nil, !cc.closed, !cc.closing, maxconcurrentokay, int64(cc.nextstreamid)+2*int64(cc.pendingrequests) < math.maxint32)
// }
st.freshconn = cc.nextstreamid == 1 && st.cantakenewrequest
return
}
为了查问题，这里加了详细日志。测试下来，发现是maxconcurrentstreams 超了，cantakenewrequest才为false。
在http2中newclientconn的初始化配置中, maxconcurrentstreams 默认为1000：
maxconcurrentstreams: 1000, // "infinite", per spec. 1000 seems good enough.
但实际测下来，发现500并发也会创建新连接。继续追查有设置这个变量的地方：
func (rl *clientconnreadloop) processsettings(f *settingsframe) error {
case settingmaxconcurrentstreams:
cc.maxconcurrentstreams = s.val
//log.println("maxconcurrentstreams", s.val)
}
运行测试，发现是服务传过来的配置，值是250。
结论： 服务端限制了单连接并发连接数，超了后就会创建新连接。
服务端限制
在服务端框架中，找到listenandservetls函数，跟下去->servetls->serve->setuphttp2_serve->oncesetnextprotodefaults_serve->oncesetnextprotodefaults->http2configureserver。
查到new(http2server)的声明，因为web框架即支持http1.1 也支持http2，所以没有指定任何http2的相关配置，都使用的是默认的。
// server is an http/2 server.
type http2server struct {
// maxconcurrentstreams optionally specifies the number of
// concurrent streams that each client may have open at a
// time. this is unrelated to the number of http.handler goroutines
// which may be active globally, which is maxhandlers.
// if zero, maxconcurrentstreams defaults to at least 100, per
// the http/2 spec's recommendations.
maxconcurrentstreams uint32
}
从该字段的注释中看出，http2标准推荐至少为100，golang中使用默认变量 http2defaultmaxstreams， 它的值为250。
真相
上面的步骤，更多的是为了记录排查过程和源码中的关键点，方便以后类似问题有个参考。
简化来说：
- 调用方和服务方使用http1.1升级到http2的模式进行通讯
- 服务方http2server限制单连接并发数是250
- 当并发超过250，比如1000时，调用方就会并发创建750个连接。这些连接的tls握手时间会越来越长。而调用超时只有1s，所以导致大量超时。
- 这些连接有些没到服务方就超时，有些到了但服务方还没来得及处理，调用方就取消连接了，也是超时。
并发量高的情况下，如果有网络断开，也会导致这种情况发送。
重试
a服务使用的轻量级http-sdk有一个重试机制，当检测到是一个临时错误时，会重试2次。
temporary() bool // is the error temporary?
而这个超时错误，就属于临时错误，从而放大了这种情况发生。
解决办法
不是升级模式的http2即可。
httpclient.transport = &http2.transport{
tlsclientconfig: tlsconfig,
}
为什么http2不会大量创建连接呢？
这是因为http2创建新连接时会加锁，后面的请求解锁后，发现有连接没超过并发数时，直接复用连接即可。所以没有这种情况，这个锁在 clientconnpool.getstartdiallocked 源码中。
问题1
问题1： a服务使用 http1.1 发送请求到 b 服务超时。
问题1和问题2的原因一样，就是高并发来的情况下，会创建大量连接，连接的创建会越来越慢，从而超时。
这种情况没有很好的办法解决，推荐使用http2。
如果不能使用http2，调大maxidleconnsperhost参数，可以缓解这种情况。默认http1.1给每个host只保留2个空闲连接，来个1000并发，就要创建998新连接。
该调整多少，可以视系统情况调整，比如50，100。